マテリアルハンドリング大手の株式会社ダイフクと株式会社JDSCは2026年9月8日、自然言語の指示からロボットの動作を自律的に計画・実行する「フィジカルAI」技術の検証結果を発表しました。シミュレーション環境における検証では、事前学習を行っていない未知の商品と仕分け先の組み合わせ100回のうち97回で適切な仕分け作業を完了させています。
フィジカルAI検証の全貌とAWS基盤による開発アプローチ
物流業界における自動化設備は、これまで決められた軌道や登録されたマスタデータを厳格になぞる「固定型自動化」が中心でした。しかし、今回のダイフクとJDSCによる取り組みは、ロボット自身が指示内容や現場環境を把握し、臨機応変に動作シーケンスを生成する「自律適応型」の制御を実現した点に大きな特徴があります。
プロジェクトの枠組みと検証結果
本検証は、アマゾン ウェブ サービス ジャパン（AWSジャパン）が実施した「フィジカルAI開発支援プログラム by AWSジャパン」の採択プロジェクトとして進められました。同プログラムは2026年1月下旬に発表され、ダイフクとJDSCの共同チームを含む51社が参加し、同年3月から約6カ月間にわたり技術検証を重ねてきました。
物流工程のなかでも特に人手の介在が多く残るピッキングおよび仕分け作業を対象とし、作業者が自然言語で指示を入力した際のロボットの応答精度と動作完遂能力を測定しています。
| 項目 | 詳細内容 |
|---|---|
| 発表日 | 2026年9月8日 |
| 共同推進企業 | 株式会社ダイフク、株式会社JDSC（戦略的パートナーシップ） |
| 支援プログラム | フィジカルAI開発支援プログラム by AWSジャパン |
| 対象工程 | 倉庫内のピッキングおよび仕分け工程 |
| 評価環境 | シミュレーション空間（デジタルツイン環境） |
| 検証成果 | 未学習の商品・仕分け先の組み合わせ100試行中97回成功（成功率97％） |
特筆すべきは、過去にモデルへ学習させていない「未知の形状・特性を持つ商品」と「指定された仕分け先」の組み合わせであっても、ロボットが自律的に把持位置や搬送経路を算出し、97％という高い水準でタスクを完了した事実です。従来のロボットアーム導入時に不可欠だったティーチング（動作の事前教示）や、商品ごとの画像登録・座標指定といった煩雑な前工程を大幅に削減できる可能性を示しています。
提携の経緯と技術開発のタイムライン
ダイフクとJDSCは、資本提携（出資関係）を伴わない独立した企業同士でありながら、戦略的パートナーシップを結んで先端技術の内製化と共同開発を推進してきました。2023年に社内デジタル人材育成での協業を開始したことを起点に、段階的にAIロボティクス領域へと連携範囲を拡大しています。
| 年月 | 出来事・進捗 |
|---|---|
| 2023年4月 | ダイフクとJDSCが社内デジタル人材育成などで連携を開始 |
| 2025年5月 | 両社が「戦略的パートナーシップ」を締結。次世代マテハン開発と育成プログラム合意 |
| 2026年1月 | AWSジャパンが「フィジカルAI開発支援プログラム」発表、両社PJが採択 |
| 2026年3月 | プログラム開始。AWS麻布台オフィス等で専門チームによる技術支援が始動 |
| 2026年8月 | AWSジャパンの成果発表会にて本検証の成果を先行公開 |
| 2026年9月 | ダイフクおよびJDSCより公式プレスリリースを公表 |
両社は2025年5月のパートナーシップ締結時、2030年までにダイフク社員の10％をデータサイエンティストに育成する社内プログラム「D-Adapt」の推進でも合意しています。単なるAIアルゴリズムの外部委託にとどまらず、マテハンハードウェアの設計知見と最先端のデータサイエンスを組織レベルで融合させる基盤が整っていたことが、今回の迅速な成果創出につながりました。
自律制御アーキテクチャとAWSクラウドの連携構造
今回の検証で構築されたアーキテクチャは、大規模言語モデル（LLM）や視覚言語モデル（VLM）の推論能力を、物理ロボットの逆運動学計算や軌道生成と直結させた点に先進性があります。
作業現場のオペレーターが「Aゾーンにある赤いボトルをBコンテナへ仕分けてください」といった曖昧さを含む自然言語で指示を出した場合でも、AIエージェントがその意図を正しく解釈します。同時に、設置されたカメラや各種センサーから取得した周辺環境データ（他荷物の配置、障害物の有無など）を照合し、ロボットが実行可能な一連の個別タスクへと分解します。
[作業者からの自然言語指示] ＋ [センサーによる周囲環境の認識]
│
▼
[AIエージェントによる意図解釈とタスク分解]
│
▼
[ロボットアームの軌道計画・把持パラメータ自律生成]
│
▼
[物理シミュレーション環境での動作実行]
│
┌─────────────────┴─────────────────┐
▼ ▼
【正常完了】 【工程失敗時】
次のタスクへ移行 該当動作のみを自律的に再試行
この制御アーキテクチャには、作業途中で吸着ミスや滑落などの失敗が発生した場合、タスク全体を最初からやり直すのではなく、失敗した特定のアクションのみを切り出して自律的に再実行（リトライ）するリカバリー機能が組み込まれています。
開発基盤には、機械学習モデルの構築・訓練・デプロイを統合管理する「Amazon SageMaker」を中心としたAWSのクラウドサービス群が全面的に採用されました。シミュレーション環境で生成された膨大な動作データをもとに、モデルの再学習からCI/CD（継続的インテグレーション／継続的デリバリー）パイプラインを通じた自動展開までを高速で循環させる体制を構築したことで、通常なら数年を要するモデル改善サイクルを約6カ月間で実証水準まで引き上げました。
参考記事: ダイフク「東京Lab」開設！AI・ロボットでマテハン高度化と完全無人化の衝撃
物流サプライチェーン各プレイヤーへの実務的影響
シミュレーション環境で未学習商品の仕分け成功率97％を記録したという事実は、人手不足とコスト上昇に直面する物流オペレーションのあり方を大きく変える契機となります。倉庫事業者、システムベンダー、そして庫内作業員という3つのレイヤーそれぞれに対し、具体的な業務プロセスの変革をもたらします。
倉庫事業者・3PL：マスタ登録とティーチング工数の劇的な圧縮
3PL（サードパーティ・ロジスティクス）事業者やEC物流を受託する倉庫事業者にとって、ロボット導入における最大の障壁は「商品改廃に伴う運用負荷」でした。アパレルや日用品、食品ECなどの現場では、季節やセールごとに何千、何万点ものSKUが入れ替わります。
従来のピッキングロボットを導入する場合、新商品が入荷するたびにエンジニアがサイズや重量のマスタを整備し、把持ポイントを登録するティーチング作業を行わなければなりませんでした。そのため、「特定の大手荷主の定番商品しか自動化ラインに流せない」という運用の硬直化が生じていました。
今回のフィジカルAI技術が現場に実装されれば、事前のマスタ登録が不完全な商品や、初めて取り扱う新商品であっても、AIがカメラ画像から自律的に重心や材質を推測して把持方法を決定します。立ち上げ時のセットアップ期間が数カ月から数日レベルへと短縮されるだけでなく、荷主の頻繁な商品入れ替えにも現場の手を煩わせることなく追従できるようになります。
参考記事: ピッキングロボットの仕組みと主要タイプ解説｜荷姿別の選び方から導入手順まで
SaaS・テクノロジーベンダー：競争軸が「自律計画・適応力」へシフト
物流向けのWMS（倉庫管理システム）やWCS（倉庫制御システム）を提供するソフトウェアベンダー、ならびにロボット制御を手掛けるSIerにとって、今回の検証は開発パラダイムの転換を意味します。
これまでのWCSやロボットコントローラは、上位のWMSから受け取った「棚番Aから商品を取り、コンベヤBへ置く」という確定した命令を、エラーなくミリ単位の精度で再現することが求められていました。いわば「決定論的な制御プログラム」の安定性が競争優位の源泉でした。
しかし、生成AIや基盤モデルを活用したフィジカルAIが台頭することにより、ソフトウェアの価値基準は「予期せぬ変化にいかに適応できるか」という非決定論的なタスク計画能力へと移行します。ロボットが自律的に状況を判断してタスクを細分化するようになるため、上位システム側の役割も、細かな動作指示を出す方式から、目標（ゴール）と制約条件のみを提示する「オーケストレーション型」へと変化していくことになります。
参考記事: 物流自動化とは？導入メリットや主要設備・失敗しない進め方を徹底解説
倉庫内作業員：プログラミング不要の「自然言語指示」による協働
物流現場の最前線で働く現場管理者や作業員にとっても、ロボットとの向き合い方が根底から変わります。
従来の産業用ロボットや自動化機器を操作するには、専用のティーチングペンダントの扱いやPLC（プログラマブルロジックコントローラ）に関する専門知識が必要であり、現場の一部エンジニアに運用の負荷が集中していました。機器が停止した場合の復旧作業も属人化しがちでした。
作業者が使い慣れた自然言語（日本語や英語等の日常会話）で指示を出せるようになれば、パート・アルバイト作業員や外国人労働者であっても、入社初日からロボットに対して適切な指示を与えられるようになります。失敗した工程のみをロボットが自律的にやり直すフォールトトレラント（耐障害性）な仕組みが定着すれば、エラー停止のたびに現場作業がストップする心理的ストレスも大幅に軽減されます。人間が重労働や単純作業から解放され、例外管理や安全監視に集中する協調型オペレーションへの道筋が開かれます。
参考記事: ヒト型ロボットが仕分け・梱包へ！ダイフクの工場無人化・3年後実証の衝撃
LogiShiftの視点：マテハン世界首位が挑む「ハードウェアから自律OSへ」の転換
ダイフクとJDSCによる今回の発表は、単なるAIスタートアップの要素技術検証ではありません。世界の物流インフラを支えてきたマテハン最大手が、クラウド基盤の巨人であるAWSを巻き込んで、物流オペレーションの主導権を「ハードウェア単体」から「自律制御ソフトウェア（OS）」へと再定義しようとする構造的転換の一環です。
固定型自動化の限界とフィジカルAIへの必然的シフト
マテハン業界は長年、自動倉庫（AS/RS）やソーター、コンベヤといった高速・高密度の固定型設備によって効率化を推進してきました。しかし、EC需要の多様化や小口化が進んだ現代の物流環境において、固定型設備のみで完全無人化を達成することには構造的な限界が生じていました。形状や梱包状態が規格化されていない荷物の取り扱いや、突発的な仕分けルールの変更には、どうしても人間の柔軟な判断力と手先の器用さに頼らざるを得なかったためです。
今回実証された「自然言語指示によるタスク分解」と「未学習商品への適応」は、まさにこの最後のボトルネックを物理的に解消する技術です。米物流誌の集計で9年連続世界売上首位を記録し、海外売上比率が約70％に達するダイフクが本技術の実装を急ぐ背景には、2030年度の売上高1兆円という長期目標の達成に向け、従来のハードウェア売り切り型ビジネスモデルから、高度な自律ソフトウェアを包含した次世代ソリューションプロバイダーへ脱皮する明確な狙いがあります。
シミュレーションと実世界の間にある「現実の壁」をどう超えるか
今後の社会実装に向けた最大の論点は、「シミュレーション環境で達成された97％という成功率が、粉塵・照明変動・経年劣化を伴う実現場でどこまで再現できるか」にあります。
デジタルツイン上でどれほど精緻な物理シミュレーションを行っても、現実世界の段ボールのたわみ、摩擦係数の個体差、テープの剥がれ、乱反射するビニール包装といった極小のノイズがロボットの把持ミスを誘発します。残された3％のエラーや、実世界特有のノイズに対する耐性を高めるためには、ダイフクが世界各地に納入してきた膨大な稼働現場から、良質な「実世界データ（フィジカルデータ）」を収集し、モデルへ継続的にフィードバックできる循環構造を確立することが不可欠です。
JDSCが持つ高度なアルゴリズム生成力と、ダイフクの保有するリアルな現場接点、そしてAWSの強大なコンピュ optical・クラウドインフラが三位一体となって連携し続けることが、実環境での商用化スピードを左右します。
参考記事: フィジカルAIが拓く10.5兆円の自動化潮流と中小物流の生き残り策
自律型物流時代を見据え企業が準備すべき方針
ダイフクとJDSCによるフィジカルAIの実証成果は、研究室内の理論にとどまらず、現場実装を視野に入れた具体的なフェーズへ突入しました。今後数年間で自律適応型ロボットの商用導入が加速することを見据え、荷主企業や倉庫事業者の経営層・現場リーダーは、以下の項目を意識して準備を進める必要があります。
- 現場作業手順（SOP）の構造化と言語化
AIエージェントに自然言語で作業を指示するためには、まず人間側の指示が論理的かつ明確でなければなりません。現場ごとに散在している「熟練者の勘や経験」に基づく暗黙知を洗い出し、どのような条件でどの仕分け先へ流すのかという判断基準をテキストや論理フローとして整理しておくことが、将来のフィジカルAI導入における最大の前提条件となります。
- 商品および荷姿データの標準化推進
未学習の商品に対応可能とはいえ、極端な重量超過や脆弱な包装はハードウェアの破損を招きます。自社が取り扱う商品の3辺サイズ、重量、材質、把持禁止エリアといった基本的なマスタ情報の精度を高めておくことは、AIの判断エラーを最小限に抑え、97％の成功率を100％に近づけるための土台となります。
- クラウド連携を前提としたネットワークインフラの整備
フィジカルAIの制御アーキテクチャは、現場のローカル環境だけで完結せず、AWS等のクラウドサービスとミリ秒単位でデータ送受信を行う形態が標準となります。倉庫内の通信環境（産業用Wi-Fi6やローカル5Gなど）の死角をなくし、大量の画像・センサーデータを安全かつ遅延なく伝送できるインフラを早期に整えておくことが求められます。
固定設備を導入して数年間同じ運用を続ける従来の自動化から、ソフトウェアの進化とともに現場が賢くなり続ける「自律型自動化」への移行が始まっています。単なる省人化機器の導入という視点を捨て、現場の運用データそのものを資産化していく姿勢が、これからの物流企業に求められる競争力となります。
出典: 物流（ロジスティクス）ニュース ＬＮＥＷＳ
出典: JDSC プレスリリース
出典: ASCII.jp
出典: Robot Start
出典: AWS Japan 公式ブログ
